[发明专利]基于节点行为与D-S证据理论的传感器网络信任评估方法

权利要求书

1.一种基于节点行为与D-S证据理论的传感器网络信任评估方法，其特征在于：它利用邻居节点的行为方式，制定各种信任因子，根据网络应用场景不同设置各因子系数；并结合改进的D-S证据组合方法，获得节点综合信任值，该方法具体步骤如下：

步骤一：无线传感器网络中节点各信任因子制定策略，具体方法为：

针对传感器节点特性，定义节点信任度的各种构成因子，设节点i即评估节点对节点j即被评估节点信任评估；

(1)收包率因子RPF_i，j(t)：节点j每收到一个数据包，需要发送ACK反馈信息进行确定；节点i监听到j所发出的ACK数据包的数量，从而得到j的收包率信息；根据时间段t与t-1内的节点j收包率变化情况，可知节点j是否存在假冒应答攻击；若j收包率的变化保持在(-ξ，ξ)内，认为j节点工作正常；其计算公式为：

RPFi,j(t)=RPij(t)-RPij(t-1)(RPij(t)+RPij(t-1))/2---(1)]]>

其中，RP_i，j(t)为收包数量；

(2)发送成功率因子SPF_i，j(t)：节点发送的每个数据包都有时间戳，设j发送数据包到节点k，k在i的通信范围外，此时i无法监控到节点j的发送成功率；因此，节点i采用监听j发送相同数据包次数来确定j的发送成功率；根据节点时间戳不同，即使数据包内容相同，仍可有效区别数据包，确定某数据包的发送次数；其计算公式为：

SPFi,j(t)=SPij(t)-SFij(t)SPij(t)+SFij(t)---(2)]]>

其中，SF_i，j(t)为发包数量；

(3)转发率因子TPF_i，j(t)：由于WSNs自身的特点，多数节点无法与基站(BS)直接通信，因此需要下一跳节点进行数据转发；设节点k发送数据包给节点j，k在i的通信范围外，此时i无法监控到节点j的收包数量，因此节点i采用监听j所发送ACK反馈信息确定j收包数量，监听节点j发包情况确定其发包数量；根据其变化率情况，有效避免污水池攻击和女巫攻击，并有效识别节点是否为自私节点；其计算公式为：

TPFi,j(t)=FPij(t)-FPij(t-1)(FPij(t)+FPij(t-1))/2---(3)]]>

其中，FP_i，j(t)为转发包数量；

(4)一致性因子CPF_i，j(t)：由于节点数据包具有空间相关性，局部网络邻居节点间数据包比较相似，因此引入一致性因子，避免恶意节点对数据包进行篡改；节点i随机获取j的转发数据包，与自身数据包进行对比，若i，j差异率保持在(-ξ，ξ)内，认为j节点工作正常；其计算公式为：

CPFi,j(t)=NEPij(t)EPij(t)+NEPij(t)---(4)]]>

其中，EP_i，j(t)为一致包数量，NEP_i，j(t)为不一致包数量；

(5)时间粒度因子TFF(t)：由于信任值具有时间、内容上下文关系，节点信任值是在上一时间段基础上进行变化，因此必须加入时间因素对信任值进行分析；时间粒度大小根据具体情况进行分析；若粒度过大，则综合信任值受历史影响过大，对节点评估可能发生错误；若粒度过小，则信任值对单个时间段依赖过大；因此，在安全级别较高的情况下，TFF(t)＝0.75，安全级别较低的情况下，信任因子为TFF(t)＝0.25；一般情况下，TFF(t)＝0.5；

(6)可用率因子HPF_i，j(t)：由于信道、环境等因素，邻节点间存在不可达情况；只有邻节点间能够进行通信和监听，以上各种信任因子才有意义，因此引入可用性因子；时间段t内，节点i随机发送m个HELLO包进行探测，若收到j对HELLO的反馈信息ACK-HELLO数据包，则认为节点间可达；其计算公式为：

HPFi,j(t)=NACKHij(t)ACKHij(t)+NACKHij(t)---(5)]]>

其中，ACK_i，j(t)为回答包数量，NACK_i，j(t)为未回答包数量；

(7)安全级别SG：WSNs在不同的应用环境和场景中，所需的安全级别不同；因此，SG采用指数方式进行计算；当安全要求较高时，SG＝3；较低时，SG＝1；一般时，SG＝2；

步骤二：根据网络应用场景，设置信任因子权重，同时计算节点行为系数μ，得到被评估客体的直接信任值与多个间接信任值，具体方法为：

(1)安全级别与网络应用环境相关，当安全要求较高时，安全级别SG＝3；较低时，SG＝1；一般时，SG＝2；同理，时间粒度大小在安全要求较高时，时间率因子TFF(t)＝0.75；较低时，TFF(t)＝0.25；一般时，TFF(t)＝0.5；其它信任因子一般情况下系数相等，且总和为1；

(2)为了保证信任评估的合理性，需要制定不同时间段内的行为系数μ；行为系数公式为：

μ=Sij(t)/(Fij(t)+Sij(t))Sij(t-1)/(Fij(t-1)+Sij(t-1))---(6)]]>

其中，S_ij(t)为成功次数、F_ij(t)为失败次数；S_ij、F_ij分别为网络运行过程中每个时间段的平均成功、失败数据包；

(3)根据步骤一中各信任因子，结合节点资源及网络运行实际环境，综合计算节点i对节点j的直接信任值DTE_i，j(t)为：

DTE_i，j(t)＝μ^SG*TFF(t)*(1-w₁*RPF_i，j(t)-w₂*SPF_i，j(t)-w₃*TPF_i，j(t)-w₄*CPF_i，j(t)-w₅*HPF_i，j(t))+(1-TFF(t))*DTE_i，j(t-1)            (7)

其中，w₁、w₂、w₃、w₄、w₅均为各信任因子系数，根据具体应用可调；RPF_i，j(t)为收包率因子，SPF_i，j(t)为发包成功率因子，TPF_i，j(t)为转发率因子，CPF_i，j(t)为一致性因子，HPF_i，j(t)为可用率因子；且w₁+w₂+w₃+w₄+w₅＝1                    (8)

评估主体i收集其他节点对被评估客体j的信任值作为间接推荐值；为了减少WSNs的网络能耗及通信负荷，并防止信任循环递归，推荐值只限于i、j共同邻节点对j的直接信任值；设k为i，j的共同邻居，根据信任传递衰落原则，ITE_i，j(t)＝DTE_i，k(t)*DTE_k，j(t)    (9)

步骤三：利用模糊集合论的隶属度和语言变量的概念，计算各种信任值的模糊子集隶属度函数，对各种信任值进行模糊分类，形成D-S证据理论的基本置信度函数；具体方法为：

(1)对节点信任的模糊分类：首先将节点分为“不可信”，“不确定”和“绝对可信”三个信任级别；其次，对应这三个信任级别，在节点信任值T的论域[0，1]上划分模糊子集T1、T2和T3，建立隶属度函数μ1(t)、μ2(t)和μ3(t)，其中，隶属度函数μ1(t)、μ2(t)和μ3(t)需满足μ1(t)+μ2(t)+μ3(t)＝1；

(2)根据模糊隶属度函数，节点i对节点j的信任程度表示为向量形式，直接、间接、综合信任向量分别为：

DTEi,j(t)=(mi,jD({T}),mi,jD({-T}),mi,jD({T,-T}))]]>

ITEi,jk(t)=(mi,jk({T}),mi,jk({-T}),mi,jk({T,-T}))---(10)]]>

AT_i，j(t)＝(m_i，j({T})，m_i，j({-T})，m_i，j({T，-T}))

上式符号说明如下：DTE_i，j(t)为直接信任向量、ITE_i，j^k(t)为间接信任向量、AT_i，j(t)是合成信任向量；m({T})、m({-T})、m({T，-T})分别对应确定可信分量、不可信分量、不确定分量；

利用节点信任分类的隶属度函数计算评估客体j对“不可信”，“不确定”和“绝对可信”三个信任级别的隶属度为u1，u2和u3：

u1=μ1(DTEi,j(t))u2=μ2(DTEi,j(t))u3=μ3(DTEi,j(t))]]>u1=μ1(ITEi,j(t))u2=μ2(ITEi,j(t))u3=μ3(ITEi,j(t))---(11)]]>

将节点信任分类的隶属度函数看成命题{T}{-T}{T，-T}的基本置信度函数，则u1，u2和u3分别代表了信任证据对评估客体j为“不可信”，“不确定”和“绝对可信”的支持程度，此时直接信任向量DTE_i，j(t)中的分量m_ij^D({T})，m_ij^D({T，-T})和m_ij^D({-T})分别等于u1，u2，u3；同理，i对j的间接信任向量IT_ij的分量m_ij^k({T})，m_ij^k({T，-T})和m_ij^k({-T})也分别对应于u1，u2，u3；

步骤四：计算被评估节点各间接信任值与直接信任值之间的证据差异，修改间接信任值的权重；具体方法为：

根据人类行为模型及信任主观性可知，直接信任值与间接信任值权重不应相同，因此在D-S合成过程中需要对DTE_j(t)和ITE_j(t)进行权重修正；设直接信任值权重为1，根据间接信任值与直接信任值的相似度，相应调整间接证据的权重，得到主体i对客体j的综合信任值AT_i，j(t)；假设i收到n个评估j的间接信任值，间接信任与直接信任的距离计算为：

ITEi,jk1(t)=(mi,jk1({T}),mi,jk1({-T}),mi,jk1({T,-T}))]]>

ITEi,jk2(t)=(mi,jk2({T}),mi,jk2({-T),mi,jk2({T,-T}))---(12)]]>

......

ITEi,jkn(t)=(mi,jkn({T}),mi,jkn({-T}),mi,jkn({T,-T}))]]>

根据各间接证据与直接证据的距离，计算任意间接证据与直接证据的差异D_kn，i(t)：

Dkn,i(t)=12(mi,jkn→-mi,jD→)TD(mi,jkn→-mi,jD→)=12(||mi,jkn||2+||mi,jD||2-2<mi,jkn→,mi,jD→>)---(13)]]>

上式符号说明如下：DTE_i，j(t)为直接信任向量、ITE_i，j^k(t)为间接信任向量、AT_i，j(t)是合成信任向量；m({T})、m({-T})、m({T，-T})分别对应确定可信分量、不可信分量、不确定分量；

当证据差异D_kn，i(t)＞ξ时，调整证据间的相似度系数，系数为：

Skn,i(t)=1-Dkn,i(t)---(14)]]>

因此，各证据的修正权重为：

Δmi,jkn({T})=Skn,i(t)*mi,jkn({T})Δmi,jkn({-T})=Skn,i(t)*mi,jkn({-T})Δmi,jkn({T,-T})=1-mi,jkn({T})-mi,jkn({-T})---(15)]]>

间接证据调整为：

ΔITEi,jkn(t)=(Δmi,jkn({T}),Δmi,jkn({-T}),Δmi,jkn({T,-T)})---(16)]]>

步骤五：根据修改后信任权重，采用Dempster合成规则，得到被评估节点的综合信任值；并得到最终基本置信度指派值；具体方法为：

Dempster合成规则：假设bel₁和bel₂是同一个识别框架Ω上的两个信度函数，其对应的基本可信度函数分别是m₁和m₂，假设则bel₁和bel₂的正交和bel＝bel₁θbel₂；其中A∈Ω，bel的基本可信度函数m如下：

根据公式(16)可得主体i对客体j的综合信任值为：

mi,j(A)=mi,jD(A)⊕Σn=0lΔmi,jkn(A)---(19)]]>

最后，由公式(19)得到最终基本置信度指派值，若决策满足

mi,j({T})-mi,j({-T})>ϵmi,j({T,-T})<θmi,j({T})>mi,j({T,-T})---(20)]]>

则主体i认为客体j“可信”，在节点i的信任表中标记j为可信节点；同理，可标记为“不可信”或“不确定”。